摘要：为有效降低滚动轴承故障特征的维数并提高诊断准确率，将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中，给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解，得到用于表征轴承运行状态的8维特征集合；应用PCA提取累积贡献率达到95％的特征主成分并输入SVM分类器中进行识别。结果表明，将滚动轴承故障特征从8维降低到5维，仍可有效表征轴承的状态，但大大降低了计算的复杂性；故障诊断的准确率达到97％以上，诊断时间也相对较短；4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落，可为确保设备安全运行和快速故障诊断提供理论依据。

关键词：主成分分析 支持向量机 特征融合 故障诊断 滚动轴承 

单位：江西理工大学; 赣州341000